O problema que o Amazon Quick Flows resolve

Pense numa segunda-feira típica: alguém da equipe passa horas copiando dados de sistemas diferentes para montar um relatório semanal, formatando tudo para diferentes públicos internos. Multiplique isso por toda a equipe ao longo do mês, e o volume de tempo perdido com tarefas manuais repetitivas se torna difícil de ignorar.

É exatamente esse cenário que a AWS quer endereçar com o Amazon Quick Flows. A proposta é simples: você descreve em linguagem natural o que quer automatizar, e a ferramenta constrói o fluxo por você — sem código, sem conhecimento em aprendizado de máquina (ML).

O que é o Amazon Quick Flows?

O Amazon Quick Flows faz parte do Amazon Quick, uma coleção de funcionalidades com Inteligência Artificial (IA) que trabalham juntas para ajudar equipes a analisar dados, automatizar processos e obter insights por meio de conversas em linguagem natural.

Com o Quick Flows especificamente, a ideia é transformar tarefas do dia a dia em fluxos automatizados — tanto para uso individual quanto para times inteiros. O usuário cria, personaliza e compartilha fluxos de IA construídos sob medida, conectados aos dados e às ações disponíveis dentro do Amazon Quick.

Para começar, é necessário ter uma conta AWS ativa com o Amazon Quick habilitado e permissões de acesso ao Quick Flows. As instruções de configuração estão disponíveis no Guia do Usuário do Amazon Quick.

Construindo o primeiro fluxo: análise financeira

O exemplo introdutório apresentado pela AWS é um analisador de desempenho financeiro. O objetivo é criar um fluxo que colete dados de mercado em tempo real, analise métricas-chave e compile um resumo profissional a partir de um nome de empresa ou código de ação (ticker).

O processo começa acessando o Quick Flows e descrevendo o que se quer em linguagem natural. No exemplo, o prompt solicita um fluxo com quatro componentes: coleta de dados de mercado em tempo real, análise de métricas financeiras (como índice Preço/Lucro, capitalização de mercado e receita), inteligência de notícias com manchetes recentes e análise profissional com recomendações de analistas.

Após clicar em “Gerar”, o Quick Flows interpreta o prompt, identifica as etapas necessárias e monta um fluxo conectado automaticamente. Cada etapa é configurada com busca na web integrada, garantindo que os dados sejam coletados em tempo real — e não de bases estáticas.

Depois de gerado, o fluxo pode ser testado imediatamente: basta inserir o nome ou ticker de uma empresa e executar. O resultado passa por cada etapa em ordem, coletando dados, analisando métricas, reunindo notícias e compilando o relatório final. É possível ainda conversar diretamente com o fluxo para ajustar o formato ou o nível de profundidade da análise.

No editor visual, cada etapa aparece de forma clara, mostrando como os dados se movem do input até o output final. A partir daí, o usuário pode expandir o fluxo — adicionando, por exemplo, uma etapa para enviar o relatório por e-mail, publicar no Slack, salvar no SharePoint ou exportar como PDF ou documento Word. Também é possível agendar execuções periódicas.

Os blocos de construção do Quick Flows

O Quick Flows organiza suas capacidades em cinco categorias de etapas que podem ser combinadas para criar qualquer fluxo:

• Respostas de IA: geram outputs, criam imagens a partir de texto, acionam agentes personalizados, fazem buscas na web, invocam o Quick Research e executam tarefas em sites.
• Lógica de fluxo: controlam a execução do fluxo por meio de grupos de raciocínio que definem condições, loops ou validações.
• Insights de dados: recuperam informações dos dados da empresa em espaços e bases de conhecimento, ou análises de dashboards e tópicos.
• Ações: realizam operações de leitura e escrita em sistemas externos por meio de integrações prontas ou personalizadas.
• Input do usuário: coletam informações por campos de texto ou upload de arquivos para iniciar e contextualizar o fluxo.

Em termos de fontes de dados, o Quick Flows se conecta a planilhas e bancos de dados via Amazon Quick, repositórios de documentos como SharePoint, OneDrive, Google Drive ou Amazon Simple Storage Service (Amazon S3) via integrações, além de sistemas externos por meio de integrações de ações prontas ou customizadas.

Caso avançado: automação de onboarding de funcionários

Para demonstrar capacidades mais sofisticadas — como lógica condicional e integrações com sistemas externos — a AWS apresenta um segundo exemplo: a automação do processo de integração (onboarding) de novos colaboradores.

O cenário é realista: um especialista de Recursos Humanos (RH) com três novos funcionários entrando na semana precisa criar registros no sistema de informações de RH, redigir e-mails de boas-vindas personalizados com base nas políticas da empresa, e coordenar com a área de Tecnologia da Informação (TI) a criação de crachás, pedido de equipamentos e configuração de e-mail. Tarefas manuais que consomem horas toda semana.

O fluxo de onboarding começa coletando dados do novo funcionário (nome, sobrenome, e-mail) via campos de texto. Em seguida, consulta uma API de informações de funcionários para verificar se o e-mail já está cadastrado no sistema.

Aqui entra um conceito central do Quick Flows: o grupo de raciocínio (reasoning group). Ele funciona como uma instrução “se-então”: se o funcionário já existe no sistema, o fluxo encerra; se não existe, ele segue em frente e executa seis etapas em sequência — criar o registro do funcionário, gerar o e-mail de boas-vindas, enviar o e-mail, gerar o ticket de solicitação de crachá, criar o ticket e resumir os resultados do onboarding.

Para criar esse fluxo, basta descrever o processo em linguagem natural. Um prompt eficaz para esse caso incluiria: coletar informações do novo contratado, verificar se ele já existe no sistema, criar o registro caso seja novo, gerar um e-mail de boas-vindas personalizado com as políticas da empresa, enviar o e-mail com o gestor em cópia, criar tickets de TI para crachá e equipamentos, e fornecer um resumo de todas as ações realizadas.

Para quem quiser praticar com esse exemplo em sua própria conta AWS, a AWS disponibiliza o workshop A Complete Guide to Amazon Quick, com infraestrutura simulada de RH e TI. O processo envolve seguir as instruções de configuração no ritmo próprio e depois acessar o módulo de Flows do workshop.

Como escrever prompts eficazes para o Quick Flows

Um bom prompt para o Quick Flows deve contemplar quatro elementos: quais informações coletar (“reunir dados do funcionário”), quais decisões tomar (“verificar se já existe no sistema”), quais ações executar (“criar registro do funcionário”) e qual conteúdo gerar (“e-mail de boas-vindas personalizado”).

Frases que descrevem operações em sistemas externos — como “cria o registro” ou “envia o e-mail” — se traduzem em etapas de ação que se integram com os conectores do Quick. Frases que sugerem geração de conteúdo a partir de dados internos se tornam etapas de output conectadas a bases de conhecimento. E expressões de lógica condicional — como “verifica se já existe” — disparam a criação automática de grupos de raciocínio.

Variáveis: a cola entre as etapas

Cada etapa de um fluxo gera uma variável — um contêiner nomeado que armazena informações para uso nas etapas seguintes. Por exemplo, quando alguém digita “João Silva” no campo Nome, esse valor fica disponível como @Nome em todo o fluxo.

Sem variáveis, cada etapa operaria de forma isolada, sem acesso aos dados produzidos pelas etapas anteriores. Elas são o que permite, por exemplo, que o prompt de criação de registro use @Nome, @Sobrenome e @Email coletados lá no início do fluxo.

Dicas práticas para começar

• Teste o prompt antes de criar o fluxo. Use o assistente de chat do Quick para validar a abordagem. Você pode perguntar, por exemplo, como extrair dados de um dashboard e formatá-los como relatório semanal antes de automatizar o processo.
• Comece com conjuntos de dados menores. O Quick tem limite de tamanho de contexto. Para processar listas grandes (como e-mails), use a funcionalidade de loop do grupo de raciocínio para operar um item por vez. Consulte a documentação de limites do Flows.
• Escreva um prompt completo de uma vez. O Quick Flows funciona melhor com prompts bem elaborados que descrevem todo o fluxo. Se precisar de ajuda, peça ao próprio Quick para melhorar seu prompt. Veja as boas práticas de prompting no workshop.
• Pergunte sobre integrações de ações. Você não precisa conhecer as APIs de cor. Basta perguntar ao assistente de chat como usar um conector específico e quais parâmetros ele aceita.
• Mapeie o fluxo antes de criar. Entenda quais dados entram, quais ações precisam ser executadas e em que ordem. Desenhar ou escrever os passos antes de montar o fluxo ajuda muito.
• Peça ajuda a um agente de chat. É possível pedir a um agente que ajude a projetar e construir fluxos. Um exemplo prático está disponível no workshop do Amazon Quick.

Limpeza de recursos

Para evitar cobranças desnecessárias, a AWS recomenda excluir os fluxos criados para testes, cancelar execuções agendadas e, para quem realizou o workshop, seguir as instruções de limpeza para remover a infraestrutura implantada. As cobranças do Amazon Quick são baseadas em uso, então remover fluxos e agendamentos inativos ajuda a controlar os custos.

Próximos passos

O Amazon Quick Flows representa uma aposta da AWS em democratizar a automação de processos — colocando nas mãos de qualquer profissional a capacidade de criar fluxos inteligentes sem escrever uma linha de código. Para quem quer explorar na prática, os caminhos sugeridos são: acessar o Amazon Quick e criar o primeiro fluxo usando os prompts de exemplo, completar o workshop A Complete Guide to Amazon Quick para experiência hands-on, e identificar uma tarefa repetitiva do dia a dia para descrever em linguagem natural. Para dúvidas e recursos adicionais, a Comunidade do Amazon Quick reúne perguntas, eventos e materiais de aprendizado.

Fonte

Automate repetitive tasks with Amazon Quick Flows (https://aws.amazon.com/blogs/machine-learning/automate-repetitive-tasks-with-amazon-quick-flows/)

O que foi anunciado

A AWS anunciou a integração do Amazon Quick com o Vee, o assistente de IA da plataforma de análise de pessoas da Visier. A conexão entre as duas ferramentas acontece por meio do Protocolo de Contexto de Modelo (MCP), permitindo que profissionais de RH, finanças e operações acessem dados de workforce diretamente no ambiente do Amazon Quick — sem precisar alternar entre sistemas.

Como a integração funciona

Após configurar a conexão no Amazon Quick utilizando o servidor MCP remoto da Visier, os usuários conseguem fazer perguntas em linguagem natural sobre temas como:

• Headcount (número de colaboradores ativos)
• Attrition (taxa de rotatividade)
• Tempo de casa dos funcionários
• Vagas abertas em aberto

As respostas retornadas pelo Vee são fundamentadas no modelo de dados de workforce governado pela própria Visier, garantindo que as informações apresentadas sigam as regras e políticas de acesso já estabelecidas pela empresa.

Integração com fluxos automatizados

Além das consultas pontuais, o Vee também pode ser acionado dentro dos Quick Flows — os fluxos automatizados do Amazon Quick — para executar revisões periódicas de workforce ou redigir documentos de forma recorrente. O Amazon Quick roteia de forma inteligente os prompts relevantes para o Vee e retorna as respostas contextualizadas junto ao conhecimento corporativo armazenado nos Quick Spaces, como orçamentos, políticas e planos estratégicos. Dessa forma, cada resposta reflete o cenário completo da organização.

Disponibilidade

A integração entre a Visier e o Amazon Quick está disponível em todas as regiões da AWS onde o Amazon Quick opera.

Como começar

Para quem quiser explorar essa novidade, a AWS disponibiliza alguns recursos de apoio:

• Acesse o site do Amazon Quick para dar os primeiros passos com a plataforma.
• Consulte o guia de integração com a Visier para entender o passo a passo da configuração.
• Leia o post no blog oficial com mais detalhes sobre a construção de agentes de IA para workforce com Visier e Amazon Quick.
• Explore outras integrações disponíveis na página de integrações do Amazon Quick.

Fonte

Amazon Quick now integrates with Visier’s Vee agent for workforce intelligence (https://aws.amazon.com/about-aws/whats-new/2026/04/amazon-quick-visier-vee/)

O problema que essa integração resolve

Profissionais de RH, finanças e operações lidam diariamente com um desafio clássico: as informações que precisam para tomar decisões estão espalhadas em sistemas diferentes. Dados de headcount vivem em um lugar, metas orçamentárias em outro, políticas internas em um terceiro. Cruzar tudo isso manualmente consome horas e ainda assim o resultado pode estar desatualizado.

É exatamente esse problema que a integração entre a Visier e o Amazon Quick via Protocolo de Contexto de Modelo (MCP) se propõe a resolver. A ideia central é simples: conectar dados ao vivo da força de trabalho com o contexto organizacional interno, tudo acessível por meio de perguntas em linguagem natural.

Os componentes da solução

Amazon Quick

O Amazon Quick é descrito pela AWS como um workspace de Inteligência Artificial (IA) agêntica. Ele funciona como uma interface unificada para usuários de negócio, reunindo conhecimento corporativo, inteligência de negócios e automação de fluxos de trabalho em um único lugar. Seus agentes inteligentes recuperam informações e raciocinam sobre múltiplas camadas de dados simultaneamente, entregando respostas prontas para ação.

Visier

A Visier é uma plataforma de IA para força de trabalho baseada em nuvem que unifica dados de Sistema de Informação de Recursos Humanos (HRIS), folha de pagamento, gestão de talentos e rastreamento de candidatos em uma única camada de inteligência. Ela permite responder perguntas complexas sobre a força de trabalho em minutos, por meio do seu assistente de IA chamado Vee, apoiado por métricas pré-construídas e benchmarks do setor baseados em registros anonimizados de funcionários.

Por meio do seu servidor MCP, a Visier atua como um conector universal que entrega insights governados sobre pessoas diretamente nas ferramentas de IA corporativa onde as decisões são tomadas.

O Protocolo de Contexto de Modelo (MCP)

O MCP é um padrão aberto que permite que agentes de IA se conectem a fontes de dados e ferramentas externas. Funciona como um adaptador universal: o Amazon Quick consegue se comunicar com o agente analista Vee da Visier de forma estruturada e segura, sem precisar construir integrações customizadas do zero. A Visier expõe suas capacidades de análise de força de trabalho por meio de um servidor MCP, e o Amazon Quick inclui um cliente MCP nativo que descobre essas ferramentas e as disponibiliza para seus agentes e automações.

Benefícios para empresas

A integração endereça desafios reais do dia a dia corporativo. Entre os principais benefícios destacados:

• Inteligência unificada da força de trabalho: o Amazon Quick orquestra dados ao vivo da Visier com o conhecimento interno da empresa, entregando respostas sintetizadas que nenhum sistema produziria sozinho.
• Acesso em linguagem natural: usuários fazem perguntas conversacionais e recebem respostas atribuídas à fonte — seja um dado ao vivo da Visier ou um documento de política interna.
• Fluxos de trabalho automatizados e repetíveis: revisões periódicas de força de trabalho, alertas de limites e briefings pré-reunião podem ser configurados uma vez e entregues automaticamente, sem esforço manual.
• Acesso a dados governado e seguro: o servidor MCP da Visier aplica políticas de governança de dados para expor apenas informações autorizadas. O conhecimento corporativo no Quick Spaces mantém os controles de acesso existentes.
• Redução do tempo para obter insights: o que antes exigia horas de cruzamento manual de planilhas pode ser feito rapidamente a partir de uma única interface.

Pré-requisitos

Para configurar essa integração, são necessários:

• Uma conta AWS válida com as permissões de serviço adequadas.
• Um ambiente Amazon Quick com assinatura ativa (como começar).
• Uma conta Visier com acesso à API e servidor MCP habilitado.

Para mais detalhes sobre a configuração do Amazon Quick, a documentação oficial está disponível.

Como configurar a integração

Passo 1: Configurar o servidor MCP da Visier

A Visier fornece um servidor MCP pré-construído que expõe suas capacidades de análise como ferramentas MCP. No console de administração da Visier, é necessário navegar até Configurações > API e Integrações, habilitar o servidor MCP, configurar as credenciais de autenticação e os escopos de acesso a dados, e anotar a URL do endpoint e os detalhes de autenticação. As instruções detalhadas estão na documentação MCP da Visier.

Passo 2: Adicionar a Visier como integração MCP no Amazon Quick

No Amazon Quick, o processo passa por acessar Integrações no painel de navegação esquerdo, selecionar a aba Ações, localizar o bloco do Protocolo de Contexto de Modelo (MCP) e criar uma nova integração. É necessário informar um nome descritivo, uma descrição opcional e a URL do endpoint do servidor MCP da Visier obtida no passo anterior. Depois, selecionar o método de autenticação correspondente e inserir as credenciais. Após criada, o Amazon Quick descobre automaticamente as ferramentas expostas pelo servidor MCP da Visier — como ask_vee_question, search_metrics e list_analytic_object_property_values.

Para mais informações sobre a integração MCP no Amazon Quick, consulte Integrar ferramentas externas com agentes Amazon Quick usando MCP e a documentação de integração MCP.

Passo 3: Organizar o conhecimento corporativo nos Spaces

Os agentes do Amazon Quick utilizam os Spaces como fronteira contextual. Tudo que a organização sabe — políticas internas, documentos de planejamento, conhecimento específico de equipes — é construído dentro de um Space e disponibilizado ao agente no momento da consulta. O passo seguinte é fazer upload dos documentos internos relevantes para o Quick Spaces, criando um Space chamado “Planejamento de Força de Trabalho” e carregando documentos como orçamentos de headcount, diretrizes de remuneração, fluxos de aprovação e requisitos de conformidade.

Cenário de uso: preparando uma reunião de liderança

Para ilustrar a integração, o artigo original apresenta dois usuários fictícios — Maya, parceira de negócios de RH, e David, gerente de finanças — que precisam preparar juntos um briefing para uma reunião de liderança. A organização conectou a Visier ao Amazon Quick via MCP e carregou documentos internos no Quick Spaces, incluindo metas de saúde da força de trabalho para o ano fiscal, políticas de retenção e templates de briefing de risco.

A conversa entre os dois e o agente Amazon Quick percorre seis turnos progressivos:

• Turno 1 — Visão geral: David pergunta quantos funcionários a empresa tem e quantos estão nos EUA. O agente consulta a Visier via MCP e retorna os números ao vivo.
• Turno 2 — Orçamento vs. realidade: David pergunta como o headcount nos EUA se compara às metas de distribuição. O agente consulta a Visier para os dados ao vivo e o documento de metas no Quick Spaces para comparar com o alvo aprovado.
• Turno 3 — Panorama de tempo de serviço: Maya pergunta sobre o tempo médio de serviço e quais funções têm os maiores índices. O agente recupera os dados da Visier e os marcos relevantes da política de retenção no Quick Spaces.
• Turno 4 — Tempo de serviço vs. limites da política: Maya verifica se a média atual atende ao threshold definido na política. O agente compara o dado ao vivo da Visier com o limite armazenado no Quick Spaces.
• Turno 5 — Verificação de alta performance: Maya consulta quantos funcionários de alta performance existem e se a proporção está dentro do recomendado. O agente cruza o dado da Visier com o Playbook de Retenção de Alta Performance no Quick Spaces.
• Turno 6 — Síntese do briefing: David e Maya pedem um resumo dos principais riscos de saúde da força de trabalho. O agente consolida todos os dados dos turnos anteriores, cruza cada métrica com os thresholds e políticas correspondentes, sinaliza os riscos e apresenta as ações recomendadas de cada documento de política.

Automação com Quick Flows

Além das consultas conversacionais, o Amazon Quick oferece o Quick Flows, um motor de automação de fluxos de trabalho que permite definir sequências de múltiplos passos e executá-las em um agendamento ou sob demanda. Um fluxo pode recuperar dados de fontes conectadas, aplicar lógica e comparações, gerar saídas formatadas e entregar os resultados em um destino como uma caixa de entrada ou canal do Slack — tudo sem intervenção manual.

O artigo original apresenta um exemplo de fluxo chamado “Weekly Workforce Health Score” (Pontuação Semanal de Saúde da Força de Trabalho), que executa toda segunda-feira às 8h da manhã. Em seis passos sequenciais, ele:

• Recupera da Visier quatro métricas ao vivo: headcount global total, headcount nos EUA, tempo médio de serviço e contagem de funcionários de alta performance.
• Busca no Quick Spaces as metas e thresholds internos correspondentes a cada métrica.
• Calcula indicadores como percentual de headcount em relação à meta, gap de headcount nos EUA, proporção de alta performance e buffer de tempo de serviço acima da zona de atenção.
• Atribui uma pontuação a cada métrica (Em Dia: 25 pontos; Precisa de Atenção: 15 pontos; Abaixo da Meta: 5 pontos; Revisão Imediata Necessária: 0 pontos) e soma as quatro para gerar uma pontuação composta de 0 a 100.
• Para métricas com pontuação abaixo do ideal, recupera as ações de intervenção recomendadas nos documentos de política do Quick Spaces.
• Gera um briefing formatado com a pontuação composta, uma tabela de métricas com valores reais, metas, gaps e pontuações, e as ações recomendadas por prioridade.

Quick Research: análise profunda e autônoma

O Amazon Quick também oferece o Quick Research, uma capacidade de análise profunda projetada para perguntas que abrangem múltiplas fontes e exigem síntese. Diferente de uma conversa interativa, o Quick Research opera de forma autônoma: o usuário descreve o resultado que precisa em linguagem natural, e o Amazon Quick determina quais bases de conhecimento internas, fontes de dados conectadas e referências externas consultar, montando um relatório estruturado e com atribuição de fontes.

No cenário do artigo, Maya usa o Quick Research antes da reunião para solicitar um relatório de benchmarking da força de trabalho comparando a organização com pares do setor em três dimensões: tempo de serviço dos funcionários, proporções de alta performance e distribuição geográfica da força de trabalho. O Quick Research automaticamente consulta as três camadas: dados ao vivo da Visier via MCP, metas de política interna do Quick Space de Planejamento de Força de Trabalho, e benchmarks externos do setor via web.

Monitoramento e observabilidade

Para administradores que precisam de visibilidade sobre o que está sendo acessado, com que frequência e por quem, o Amazon Quick se integra ao Amazon CloudWatch para expor métricas do conector de ações MCP, como contagens de invocação e taxas de erro. Cada interação de chat pode ser entregue via Amazon CloudWatch Logs para destinos como Amazon Simple Storage Service (Amazon S3) ou Amazon Data Firehose, para análise e retenção de longo prazo. Para auditoria e conformidade, o AWS CloudTrail fornece um registro completo de chamadas de API e ações administrativas em todo o ambiente Amazon Quick.

Conclusão

A integração entre Visier e Amazon Quick via MCP demonstra um padrão que vai além da análise de pessoas: qualquer cenário em que inteligência de negócios especializada precise ser combinada com contexto organizacional interno pode se beneficiar dessa arquitetura. O valor não está em nenhum dos sistemas isoladamente — o Amazon Quick fornece a camada de orquestração e contexto corporativo, a Visier fornece a inteligência sobre a força de trabalho, e o MCP fornece a conexão segura e padronizada entre os dois. Para o usuário final, a experiência é simples: fazer uma pergunta e receber uma resposta que combina tudo que a organização sabe, pronta para agir.

Para começar, a documentação do Amazon Quick cobre configuração do ambiente, integrações e criação de agentes. Para o lado da Visier, a documentação do Servidor MCP da Visier detalha a configuração, autenticação e o conjunto completo de ferramentas de análise disponíveis. Mais informações sobre a plataforma de IA da Visier estão em visier.com. Para um aprofundamento em como o Amazon Quick se conecta a fontes externas via MCP, o artigo Integrar ferramentas externas com agentes Amazon Quick usando MCP é uma boa referência.

Fonte

Building Workforce AI Agents with Visier and Amazon Quick (https://aws.amazon.com/blogs/machine-learning/building-workforce-ai-agents-with-visier-and-amazon-quick/)

O que foi anunciado

A AWS anunciou a disponibilização de oito novas métricas no Amazon Connect voltadas especificamente para monitorar e aprimorar o desempenho de agentes de Inteligência Artificial (IA) em interações com clientes. Entre as novidades, destacam-se métricas como taxa de sucesso de objetivos, pontuação de fidelidade e precisão na seleção de ferramentas.

O que essas métricas permitem monitorar

Com esse conjunto de indicadores, equipes que utilizam o Amazon Connect passam a ter visibilidade real sobre a qualidade das interações conduzidas por agentes de IA. Na prática, é possível acompanhar:

• Se os agentes de IA conseguiram de fato resolver as solicitações dos clientes;
• O nível de fidelidade das respostas geradas — incluindo a detecção de alucinações contextuais, ou seja, quando o agente produz informações incorretas ou inventadas;
• A precisão com que o agente seleciona e utiliza as ferramentas disponíveis para cada situação;
• O feedback direto dos clientes, por meio de avaliações do tipo curtir/não curtir, quando esse recurso estiver habilitado.

Como acessar as novas métricas

As oito novas métricas podem ser acessadas de três formas distintas:

• Pelo painel de desempenho de agentes de IA do próprio Amazon Connect;
• Via API GetMetricDataV2, para quem prefere integrar os dados a fluxos de análise personalizados;
• Por meio do data lake zero-ETL, que facilita a integração com ferramentas de análise já existentes na organização — sem a necessidade de pipelines de transformação de dados.

Disponibilidade

O recurso já está disponível em todas as regiões da AWS onde o Amazon Connect com agentes de IA é suportado. Para consultar a documentação completa e entender como configurar o painel de desempenho, a AWS disponibilizou o Guia do Administrador do Amazon Connect. Quem quiser conhecer mais sobre a plataforma em geral pode acessar o site oficial do Amazon Connect.

Por que isso importa

Monitorar agentes de IA em produção ainda é um desafio para muitas equipes. Ter métricas nativas dentro da própria plataforma de atendimento reduz a complexidade operacional e permite que times de CX (Experiência do Cliente) e engenharia atuem com mais precisão na melhoria contínua dos fluxos automatizados. A detecção de alucinações, em especial, é um ponto crítico para garantir que o cliente receba respostas confiáveis — e agora isso pode ser rastreado diretamente no Amazon Connect.

Fonte

Amazon Connect now provides eight new metrics to measure and improve AI agent performance (https://aws.amazon.com/about-aws/whats-new/2026/04/amazon-connect-ai-agent-metrics/)

Gerenciamento automático de topologia no SageMaker HyperPod

A AWS anunciou uma melhoria significativa no Amazon SageMaker HyperPod: o serviço agora seleciona e mantém automaticamente a configuração ideal de topologia de rede para clusters Slurm, levando em conta os tipos de instâncias GPU presentes no cluster.

Por que a topologia de rede importa no treinamento distribuído

A topologia de rede tem impacto direto na performance do treinamento distribuído. Quando os jobs são alocados em nós que estão topologicamente próximos uns dos outros, a comunicação entre GPUs se torna mais rápida, as operações coletivas do NCCL ficam mais eficientes e o throughput geral do treinamento aumenta. Em outras palavras, a disposição física e lógica dos nós no cluster não é detalhe — ela define o quão bem os recursos de hardware são aproveitados.

Como o HyperPod gerencia a topologia automaticamente

Ao criar um cluster, o HyperPod inspeciona os tipos de instâncias presentes em todos os grupos de instâncias, identifica as características de rede e interconexão de cada tipo, e seleciona automaticamente o modelo de topologia mais adequado. O serviço suporta dois modelos principais:

• Topologia em árvore (tree topology): indicada para instâncias com interconexões hierárquicas, como ml.p5.48xlarge, ml.p5e.48xlarge e ml.p5en.48xlarge.
• Topologia em bloco (block topology): indicada para instâncias com conectividade uniforme de alta largura de banda, como ml.p6e-gb200.NVL72.

Para clusters com tipos de instâncias mistos, o HyperPod seleciona automaticamente uma topologia compatível que funcione de forma coerente em todos os nós.

Adaptação dinâmica ao longo do ciclo de vida do cluster

Um dos pontos mais relevantes dessa novidade é a capacidade de adaptação contínua. À medida que o cluster passa por operações de escalonamento — seja para cima, para baixo ou por substituição de nós — o HyperPod atualiza a configuração de topologia automaticamente, sem necessidade de intervenção manual. Isso garante que a topologia sempre reflita o estado real do cluster, sem exigir atualizações em arquivos de configuração nem reconfigurações do Slurm.

Como começar a usar

Para aproveitar esse recurso, basta criar um cluster SageMaker HyperPod Slurm com os tipos de instâncias GPU suportados. O agendamento com consciência de topologia já vem habilitado por padrão e não requer nenhuma configuração adicional. O recurso está disponível em todas as regiões AWS onde o Amazon SageMaker HyperPod é suportado.

Para mais detalhes sobre o agendamento com consciência de topologia, consulte a documentação oficial do Amazon SageMaker HyperPod.

Fonte

Amazon SageMaker HyperPod now supports automatic Slurm topology management (https://aws.amazon.com/about-aws/whats-new/2026/04/amazon-sagemaker-hyperpod-automatic-slurm-topology/)

O que mudou no SageMaker Unified Studio

A AWS anunciou uma expansão importante no Amazon SageMaker Unified Studio: a partir de agora, os notebooks serverless (sem servidor) com agente de dados integrado também estão disponíveis para domínios que utilizam o AWS IAM Identity Center (IdC) para autenticação e gerenciamento de acesso.

Antes dessa atualização, tanto o ambiente de notebooks quanto o agente de dados estavam disponíveis apenas em domínios IAM. Com essa mudança, equipes que já adotaram o IdC como mecanismo de autenticação passam a ter acesso ao mesmo ambiente de alta performance para cargas de trabalho de análise de dados e aprendizado de máquina (ML).

O que são os notebooks serverless do SageMaker

O notebook serverless do SageMaker Unified Studio funciona como um espaço de trabalho unificado para diferentes perfis técnicos — engenheiros de dados, analistas e cientistas de dados. Em um único ambiente interativo, é possível:

• Executar consultas SQL
• Rodar código Python
• Processar grandes volumes de dados
• Executar cargas de trabalho de ML
• Criar visualizações

A infraestrutura por trás desse ambiente é o Amazon Athena para Apache Spark, o que garante escalabilidade desde consultas SQL interativas até o processamento de dados em escala de petabytes.

O papel do agente de dados com IA integrada

Junto com os notebooks, o agente de dados com inteligência artificial (IA) integrada acelera o desenvolvimento ao gerar código e instruções SQL diretamente a partir de prompts em linguagem natural. Ou seja, o profissional descreve o que precisa em texto simples, e o agente sugere o código correspondente — guiando o usuário ao longo das tarefas.

Essa combinação permite que SQL, Python e linguagem natural coexistam no mesmo workspace, eliminando a necessidade de alternar entre ferramentas diferentes dependendo do tipo de tarefa. Um exemplo prático: é possível começar explorando dados com SQL, avançar para análises mais complexas com Python, e ainda usar prompts em linguagem natural para gerar código automaticamente em qualquer etapa do processo.

Disponibilidade

Os recursos de notebook e agente de dados do SageMaker estão disponíveis em todas as regiões da AWS onde o Amazon SageMaker Unified Studio é suportado.

Para saber mais, a AWS disponibiliza o guia do usuário de notebooks do SageMaker e o guia do usuário do agente de dados do SageMaker com detalhes completos sobre como utilizar esses recursos.

Fonte

Amazon SageMaker supports notebooks and data agent for IdC domains (https://aws.amazon.com/about-aws/whats-new/2026/04/amazon-sagemaker-idc/)

O problema que o AgentCore resolve

Qualquer desenvolvedor que já tentou colocar um agente de IA em funcionamento sabe bem como é: antes de testar se o agente faz algo útil, você passa horas — ou dias — resolvendo problemas de infraestrutura. Precisa escolher um framework, escrever código de orquestração, conectar ferramentas, configurar autenticação, montar pipeline de deploy. Só então o agente consegue processar a primeira requisição de verdade.

É trabalho necessário, mas não é o trabalho que diz se o agente vai ser bom. A AWS identificou esse gargalo e construiu o Amazon Bedrock AgentCore justamente para mudar essa equação — permitindo que times foquem na lógica do agente, não no encanamento de infraestrutura. O serviço já suportava frameworks populares como LangGraph, LlamaIndex, CrewAI e Strands Agents. Agora, a AWS anuncia novas capacidades que aprofundam essa proposta.

Harness gerenciado: do zero ao agente em três etapas

Todo agente precisa de uma camada de orquestração — o loop que chama o modelo, decide qual ferramenta acionar, repassa os resultados, gerencia a janela de contexto e lida com falhas. Para esse loop funcionar, existe uma infraestrutura de suporte: computação para hospedar o agente, sandbox para execução segura de código, conexões seguras com ferramentas, armazenamento persistente e recuperação de erros. Esse conjunto é o que a AWS chama de agent harness.

Até agora, montar esse harness era a primeira tarefa de qualquer time — e consumia dias antes mesmo de o agente processar uma única requisição real. A nova funcionalidade de harness gerenciado no AgentCore substitui toda essa construção inicial por uma configuração direta. Você declara o agente e o coloca para rodar com apenas três chamadas de API, sem escrever código de orquestração.

A ideia é simples: você define o que o agente faz — qual modelo usa, quais ferramentas pode chamar e quais instruções deve seguir. O AgentCore cuida de montar computação, ferramentas, memória, identidade e segurança para criar um agente funcional que pode ser testado em minutos. Trocar de modelo ou adicionar uma ferramenta vira uma mudança de configuração, não uma reescrita de código. É possível testar várias variações do agente em minutos apenas alterando parâmetros na chamada de API.

Essa velocidade não sacrifica flexibilidade. O harness do AgentCore é alimentado pelo Strands Agents, o framework open source da AWS. Quando você precisar de lógica de orquestração personalizada, roteamento especializado ou coordenação entre múltiplos agentes, basta migrar da configuração para um harness definido em código — na mesma plataforma, com o mesmo isolamento por microVM e o mesmo pipeline de deploy.

Outro ponto relevante: o AgentCore persiste o estado da sessão em um sistema de arquivos durável. Isso significa que agentes podem suspender uma tarefa no meio e retomá-la exatamente de onde pararam — tornando padrões de human-in-the-loop (humano no ciclo de decisão) viáveis sem nenhuma customização extra.

A VTEX, empresa brasileira de tecnologia para e-commerce, já está entre os casos de uso mencionados pela AWS. Rodrigo Moreira, VP de Engenharia da VTEX, destacou que antes cada novo protótipo de agente exigia dias de código de orquestração e configuração de infraestrutura antes de validar uma ideia. Com o harness do AgentCore, trocar de modelo, adicionar uma ferramenta ou refinar instruções passa a ser uma mudança de configuração — e a validação de ideias cai de dias para minutos.

AgentCore CLI: um único terminal do protótipo ao produção

Outro obstáculo clássico no ciclo de vida de agentes é a transição do desenvolvimento local para a produção. Normalmente isso significa sair do editor, configurar um pipeline de deploy separado e lidar com um processo que tem pouco a ver com o fluxo usado para construir o agente.

O novo AgentCore CLI unifica esse ciclo em um único terminal: prototipar, fazer deploy e operar o agente sem trocar de ferramenta. Você itera localmente e, quando o agente estiver pronto, faz o deploy sem montar um pipeline separado.

O AgentCore suporta deploy via Infraestrutura como Código (IaC) com suporte ao CDK e ao Terraform (em breve). Isso garante que a configuração do agente seja reproduzível e versionada — o que você testou localmente é exatamente o que roda em produção.

Skills para agentes de código: contexto que faz diferença

Boa parte do desenvolvimento de agentes hoje acontece com o apoio de assistentes de código como Claude Code ou Kiro. Mas um assistente de código só é tão eficaz quanto o contexto que ele tem. Um servidor MCP (Protocolo de Contexto de Modelo) genérico pode dar acesso a APIs e documentação, mas não captura as boas práticas específicas de uma plataforma: quais padrões usar, como as capacidades se encaixam, qual é o caminho recomendado para tarefas comuns.

As novas skills pré-construídas do AgentCore vão além do acesso bruto à API. Elas fornecem aos agentes de código conhecimento atualizado e curado sobre as melhores práticas do AgentCore — de forma que as sugestões recebidas reflitam como a plataforma deve ser usada, não apenas quais endpoints existem. O Kiro já inclui isso como um Power nativo. Plugins para Claude Code, Codex e Cursor chegam em breve.

Disponibilidade e preços

O harness gerenciado do AgentCore está disponível em prévia em quatro regiões AWS: US West (Oregon), US East (N. Virginia), Asia Pacific (Sydney) e Europe (Frankfurt). O AgentCore CLI e o sistema de arquivos persistente para agentes estão disponíveis em todas as regiões comerciais da AWS onde o AgentCore é oferecido. As skills para agentes de código devem estar disponíveis até o final de abril.

O modelo de cobrança é baseado nos recursos consumidos, sem custo adicional pelo CLI, pelo harness ou pelas skills. Mais detalhes estão na página de preços do AgentCore. Para começar, a documentação do AgentCore cobre os primeiros passos.

O que muda na prática

A proposta do AgentCore é clara: a plataforma em que você prototipa é a mesma em que você roda em produção. À medida que o agente evolui, você adiciona avaliações, memória, conexões com ferramentas e políticas de controle — sem precisar rearquitetar nada. O foco se mantém na lógica do agente, não na infraestrutura que o sustenta.

Fonte

Get to your first working agent in minutes: Announcing new features in Amazon Bedrock AgentCore (https://aws.amazon.com/blogs/machine-learning/get-to-your-first-working-agent-in-minutes-announcing-new-features-in-amazon-bedrock-agentcore/)